CN108563670B - 视频推荐方法、装置、服务器及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种视频推荐方法、装置、服务器及计算机可读存储介质，属于互联网技术领域。该方法包括：获取待推荐视频对应的标签以及每种标签对应的权重；按照预设试投规则将待推荐视频分别试投到每种标签下，得到每种标签下用户对待推荐视频的点击率；根据所得到的点击率以及预设算法得到每种标签对应的特征分值；根据每种标签对应的权重以及特征分值确定目标标签；将待推荐视频推荐到所确定的目标标签下。相比于现有技术，能够更准确地确定待推荐视频所属标签，从而达到更好的推荐效果，有利于用户及时找到最感兴趣的内容。

Description

视频推荐方法、装置、服务器及计算机可读存储介质

技术领域

本发明涉及互联网技术领域，尤其涉及一种视频推荐方法、装置、服务器及计算机可读存储介质。

背景技术

短视频是近年来在互联网上兴起的一种视频形式。在直播平台上，短视频的内容一般是主播的一些精彩片段剪辑和游戏专题节目等。对用户进行个性化的短视频推荐是有非常意义的。短视频具有更新快、数量多、时效性强的特点，个性化推荐的作用就是在海量短视频中及时找到用户最感兴趣的内容。

短视频推荐的一个难点是推荐场景众多，只有将短视频推荐到合适的推荐场景下才能有效果。现有的短视频推荐方案主要是从短视频的标题文字中获取标签，然后将短视频推荐到该标签下。然而，由于短视频的标题是由用户根据需要填写，比较随性，没有特定的标准。因此，这种推荐方式的可靠性较低，推荐效果较差。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的视频推荐方法、装置、服务器及计算机可读存储介质。

第一方面，本发明实施例提供了一种视频推荐方法，所述方法包括：获取待推荐视频对应的标签以及每种所述标签对应的权重；按照预设试投规则将所述待推荐视频分别试投到每种所述标签下，得到每种所述标签下用户对所述待推荐视频的点击率；根据所述点击率以及预设算法得到每种所述标签对应的特征分值；根据每种所述标签对应的所述权重以及所述特征分值确定目标标签；将所述待推荐视频推荐到所述目标标签下。

优选的，所述根据每种所述标签对应的所述权重以及所述特征分值确定目标标签的步骤，包括：根据每种所述标签对应的所述权重以及所述特征分值得到每种所述标签对应的修正分值；将所述修正分值最大的标签作为所述目标标签。

优选的，所述根据每种所述标签对应的所述权重以及所述特征分值得到每种所述标签对应的修正分值的步骤，包括：对每种所述标签对应的所述权重进行归一化，得到每种所述标签对应的归一化权重；获取每种所述标签下参与所述试投的待推荐视频的特征分值的最大值；根据每种所述标签对应的归一化权重以及所述特征分值的最大值，得到每种所述标签对应的修正分值。

优选的，所述根据每种所述标签对应的归一化权重以及所述特征分值的最大值，得到每种所述标签对应的修正分值的步骤，包括：获取每种所述标签对应的归一化权重与该标签对应的所述特征分值的最大值之间的乘积，将所述乘积作为该标签对应的所述修正分值。

优选的，所述根据所述点击率以及预设算法得到每种所述标签对应的特征分值的步骤，包括：获取所述待推荐视频在每种所述标签下的试投次数；根据所述点击率、所述试投次数以及预设算法得到每种所述标签对应的特征分值。

优选的，所述获取待推荐视频对应的标签以及每种所述标签对应的权重的步骤，包括：获取所述待推荐视频的标题；对所述标题进行分词处理，根据词重要性算法对所述标题的分词进行处理，得到所述待推荐视频对应的标签以及每个所述标签对应的权重。

第二方面，本发明实施例还提供了一种视频推荐装置，所述装置包括：获取模块、试投模块、特征分值计算模块、目标标签确定模块以及推荐模块。获取模块，用于获取待推荐视频对应的标签以及每种所述标签对应的权重。试投模块，用于按照预设试投规则将所述待推荐视频分别试投到每种所述标签下，得到每种所述标签下用户对所述待推荐视频的点击率。特征分值计算模块，用于根据所述点击率以及预设算法得到每种所述标签对应的特征分值。目标标签确定模块，用于根据每种所述标签对应的所述权重以及所述特征分值确定目标标签。推荐模块，用于将所述待推荐视频推荐到所述目标标签下。

优选的，所述目标标签确定模块包括：修正分值计算子模块和确定子模块。修正分值计算子模块，用于根据每种所述标签对应的所述权重以及所述特征分值得到每种所述标签对应的修正分值。确定子模块，用于将所述修正分值最大的标签作为所述目标标签。

第三方面，本发明实施例还提供了一种服务器，包括处理器和存储器。所述存储器耦接到所述处理器，所述存储器存储指令。当所述指令由所述处理器执行时使所述服务器执行以下操作：获取待推荐视频对应的标签以及每种所述标签对应的权重；按照预设试投规则将所述待推荐视频分别试投到每种所述标签下，得到每种所述标签下用户对所述待推荐视频的点击率；根据所述点击率以及预设算法得到每种所述标签对应的特征分值；根据每种所述标签对应的所述权重以及所述特征分值确定目标标签；将所述待推荐视频推荐到所述目标标签下。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序。该程序被处理器执行时实现上述视频推荐方法的步骤。

本申请实施例中提供的技术方案，至少具有如下技术效果或优点：

在本发明实施例的技术方案中，先获取待推荐视频对应的标签以及每种标签对应的权重，然后按照预设试投规则将待推荐视频分别试投到每种标签下，从而得到每种标签下用户对待推荐视频的点击率，接着，根据所得到的点击率以及预设算法得到每种标签对应的特征分值，再根据每种标签对应的权重以及特征分值确定目标标签，进而将待推荐视频推荐到所确定的目标标签下。相比于现有技术，结合每种标签对应的权重以及根据试投结果得到的特征分值来确定目标标签，能够更准确地确定待推荐视频所属标签，从而将待推荐视频推荐到合适的场景，达到更好的推荐效果，有利于用户及时找到最感兴趣的内容。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的一种服务器与用户终端进行交互的示意图；

图2示出了本发明实施例提供的服务器的结构框图；

图3示出了本发明第一实施例提供的视频推荐方法的流程图；

图4示出了本发明第一实施例提供的视频推荐方法的第一部分流程图；

图5示出了本发明第一实施例提供的视频推荐方法的第二部分流程图；

图6示出了本发明第一实施例提供的视频推荐方法的第三部分流程图；

图7示出了本发明第二实施例提供的视频推荐装置的功能模块框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了本发明实施例提供的服务器200与用户终端100进行交互的示意图。所述服务器200通过网络300与一个或多个用户终端100进行通信连接，以进行数据通信或交互。所述服务器200可以是网络服务器、数据库服务器等。所述用户终端100可以是个人电脑(Personal Computer，PC)、平板电脑、智能手机、穿戴设备等。

图2示出了可应用于本发明实施例中的服务器200的方框示意图。所述服务器200包括存储器201、处理器202以及网络模块203。

存储器201可用于存储软件程序以及模块，如本发明实施例中的视频推荐方法及装置对应的程序指令/模块，处理器202通过运行存储在存储器201内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本发明实施例中的视频推荐方法。存储器201可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。进一步地，上述存储器201内的软件程序以及模块还可包括：操作系统221以及服务模块222。其中操作系统221，例如可为LINUX、UNIX、WINDOWS，其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通讯，从而提供其他软件组件的运行环境。服务模块222运行在操作系统221的基础上，并通过操作系统221的网络服务监听来自网络的请求，根据请求完成相应的数据处理，并返回处理结果给客户端。也就是说，服务模块222用于向客户端提供网络服务。

网络模块203用于接收以及发送网络信号。上述网络信号可包括无线信号或者有线信号。

可以理解，图2所示的结构仅为示意，所述服务器200还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。另外，本发明实施例中的服务器还可以包括多个具体不同功能的服务器。

请参考图3，本发明第一实施例提供了一种视频推荐方法。该视频推荐方法运行于上述服务器中。如图3所示，该方法包括：

步骤S101，获取待推荐视频对应的标签以及每种所述标签对应的权重；

待推荐视频可以为各种视频文件。在移动应用时代，用户更乐意通过一些短视频去了解一些新鲜的资讯。短视频即为短片视频，是一种互联网内容传播方式，一般是在互联网新媒体上传播的时长在预设时间以内的视频传播内容。因此，作为一种实施方式，所述待推荐视频为直播平台上的播放时长小于预设时长的短视频，例如，主播的一些精彩片段剪辑和游戏专题节目等。其中，预设时长可以根据需求进行设置，例如，一分钟、5分钟等。

作为一种实施方式，获取待推荐视频对应的标签以及每种所述标签对应的权重的步骤，包括：获取所述待推荐视频的标题；对所述标题进行分词处理，根据词重要性算法对所述标题的分词进行处理，得到所述待推荐视频对应的标签以及每个所述标签对应的权重。

本实施例中，词重要性算法可以采用TF-IDF或者TextRank等算法，根据词的重要性和词与标签的映射关系可以得到短视频对应的标签以及每种标签对应的权重。

可以理解的是，直播平台上可以按照标签对资源内容进行划分，如游戏名称、舞蹈、篮球、幽默等。

步骤S102，按照预设试投规则将所述待推荐视频分别试投到每种所述标签下，得到每种所述标签下用户对所述待推荐视频的点击率；

待推荐视频的试投规则可以根据需要预先设置。待推荐视频可以在每种所述标签下试投一次，也可以试投多次。

作为一种实施方式，可以先后将待推荐视频投放到该视频对应的每种标签下，并持续相同的时间长度。假设某视频A对应的标签分别为L₁、L₂和L₃。例如，在当天上午10：00点至12：00点，将该视频投放到标签L₁对应的推荐场景中，在当天12：00至14：00，将该视频投放到标签L₂对应的推荐场景中，在当天14：00至16：00，将该视频投放到标签L₃对应的推荐场景中。又例如，在相邻的三天内，第一天的上午9：00点至晚上24：00，将该视频投放到标签L₁对应的推荐场景中，第二天的上午9：00点至晚上24：00，将该视频投放到标签L₂对应的推荐场景中，第三天的上午9：00点至晚上24：00，将该视频投放到标签L₃对应的推荐场景中。

作为另一种方式，也可以在特定时间段内，按照预设的时间长度轮流将待推荐视频分别试投到每种所述标签下。特定时间段以及时间长度均可以根据实际需要设置。例如，在特定时间段为上午9：00点至晚上24：00点，在上午9：00点至10：00点，将该视频投放到标签L₁对应的推荐场景中，在10：00至11：00，将该视频投放到标签L₂对应的推荐场景中，在11：00至12：00，将该视频投放到标签L₃对应的推荐场景中，接着，在12：00至13：00点，又将该视频投放到标签L₁对应的推荐场景中，以此类推，直至晚上24：00点。

将待推荐视频试投到其对应的某种标签下时，用户可以通过用户终端上的客户端查看该标签内容并点击该视频，从而可以得到投放到该标签下时，用户对该视频的点击率。本实施例中，点击率可以通过用户点击观看该视频的次数除以该视频的曝光次数得到。需要说明的是，曝光次数为用户查看该标签内容，从而使得客户端页面上加载该视频的次数。

步骤S103，根据所述点击率以及预设算法得到每种所述标签对应的特征分值；

用户在某种标签下对视频的点击率能够极大地说明该视频是否推荐到了合适的场景下，点击率越高，所得到的特征分值也就越高，说明该视频的推荐场景越符合用户的喜好，推荐效果也就越好。

若待推荐视频在每种标签下试投一次，则可以每种标签均对应一个点击率，从而根据所得到的点击率以及预设算法就可以得到每种标签对应的特征分值。本实施例中，预设算法可以为UCB算法。UCB算法，又称为上置信算法，它是一种bandit算法，可以通过探索的方法对多臂问题进行选择。当然，除了UCB算法外，也可以采用其他能够根据每种标签的试投点击率对该标签进行打分的算法。

若待推荐视频在每种标签下试投多次时，则每种标签对应的每次试投均可以得到一个点击率。根据每次试投得到的点击率以及预设算法均可以得到一个分数，此时，可以根据预设的评分规则对这些分数进行处理得到该标签对应的特征分值。

作为一种实施方式，对于每种标签，可以将首次试投得到的分数作为该标签的特征分值，在该标签的当前次试投完成后，根据当前次试投的点击率得到该标签对应的分数，若当前次试投得到的分数大于当前的特征分值，则将特征分值更新为当前次试投得到的分数，若当前次试投得到的分数小于或等于当前的特征分值时，则特征分值保持不变，以此类推，直至试投结束，就可以得到每种标签对应的特征分值。

例如，对于标签L_i，i为大于或等于1的整数。将第一次试投得到分数为M₁，先将M₁作为标签L_i对应的特征分值U，即U＝M₁。接着，第二次试投得到分数为M₂，当M₂＞U时，将特征分值U更新为M₂，即U＝M₂，当M₂≤U时，保持特征分值U不变，即U＝M₁。以此类推，比较第N次试投得到的分数M_N与当前的特征分值U，其中，N为大于或等于2的整数，当M_N＞U时，将特征分值U更新为M_N。

作为另一种实施方式，对于每种标签，也可以先计算每次将待推荐视频试投在该标签下得到的分数，再选取这些分数中的最大值作为该标签对应的特征分值。或者，在本发明的其他实施例中，还可以计算这些分数的平均值作为该标签对应的特征分值。

具体的，当待推荐视频在每种标签下进行多次试投时，作为一种实施方式，根据所述点击率以及预设算法得到每种所述标签对应的特征分值的步骤，可以包括以下步骤S201和步骤S202，如图4所示。

步骤S201，获取所述待推荐视频在每种所述标签下的试投次数。

作为一种实施方式，按照预设试投规则将所述待推荐视频分别试投到每种所述标签下时，可以分别记录待推荐视频在每种标签下的试投次数。对应每种标签，每在该标签下试投一次，则该标签对应的试投次数加一，试投完毕后，就可以得到该标签的试投次数。

作为另一种实施方式，试投次数为根据实际需要预先设置的，且可以根据需要进行修改。按照预设试投规则将所述待推荐视频分别试投到每种所述标签下时，是按照预先设置的投放次数进行投放。

步骤S202，根据所述点击率、所述试投次数以及预设算法得到每种所述标签对应的特征分值。

具体的，当预设算法为UCB算法时，其公式可以为：

其中：UCB_i是第j次将待推荐视频试投到第i个标签下时，得到的UCB分数。u_i是第j次将待推荐视频试投到第i个标签下时，用户对该视频的点击率。n_i是待推荐视频在第i个标签下的试投次数，n_i≥2。此时，j为正整数，且1≤j≤n_i。

根据上述公式得到每种标签每次试投的UCB分数后，就可以根据上述的评分规则对这些UCB分数进行处理得到该标签对应的特征分值。

步骤S104，根据每种所述标签对应的所述权重以及所述特征分值确定目标标签；

本实施例中，根据每种所述标签对应的所述权重以及所述特征分值确定目标标签的步骤，可以包括以下步骤S301和步骤S302，如图5所示。

步骤S301，根据每种所述标签对应的所述权重以及所述特征分值得到每种所述标签对应的修正分值。

步骤S302，将所述修正分值最大的标签作为所述目标标签。

作为一种实施方式，根据每种所述标签对应的所述权重以及所述特征分值得到每种所述标签对应的修正分值的步骤，可以包括以下步骤S401至步骤S403，如图6所示。

步骤S401，对每种所述标签对应的所述权重进行归一化，得到每种所述标签对应的归一化权重。

具体的，归一化的方法可以为：取待推荐视频对应的各标签的权重的最大值，然后将各标签的权重除以该最大值，就可以得到各标签的归一化权重。归一化权重能够使得所得到的修正分值更具有可比性。

步骤S402，获取每种所述标签下参与所述试投的待推荐视频的特征分值的最大值。

本实施例中，对于同一标签，同一时间段内，参与试投的待推荐视频可以有多个，且试投到该标签下的待推荐视频的试投时间应相同。也就是说，对于步骤S101中的待推荐视频对应的每种标签，同时参与试投的待推荐视频有多个，从而就可以相应地得到多个特征分值。统计并比较同一标签对应的多个特征分值，选取最大的特征分值，作为该标签下参与所述试投的待推荐视频的特征分值的最大值。

例如，同一时间段内，参与试投的待推荐视频包括视频A、视频B和视频C，且视频A、视频B和视频C均对应于标签L₁、L₂和L₃。此时，在标签L₁下，试投完视频A、视频B和视频C，可以相应地得到特征分值U_A1、U_B1和U_C1。在标签L₂下，试投完视频A、视频B和视频C，可以相应地得到特征分值U_A2、U_B2和U_C2。在标签L₃下，试投完视频A、视频B和视频C，可以相应地得到特征分值U_A3、U_B3和U_C3。比较特征分值U_A1、U_B1和U_C1，就可以得到标签L₁下参与试投的待推荐视频的特征分值的最大值，比较特征分值U_A2、U_B2和U_C2，就可以得到标签L₂下参与试投的待推荐视频的特征分值的最大值，比较特征分值U_A3、U_B3和U_C3，就可以得到标签L₃下参与试投的待推荐视频的特征分值的最大值。

步骤S403，根据每种所述标签对应的归一化权重以及所述特征分值的最大值，得到每种所述标签对应的修正分值。

通过每种标签对应的特征分值的最大值对该标签对应的归一化权重进行修正，得到该标签对应的修正分值。

本实施例中，根据每种所述标签对应的归一化权重以及所述特征分值的最大值，得到每种所述标签对应的修正分值的实施方式可以为：获取每种所述标签对应的归一化权重与该标签对应的所述特征分值的最大值之间的乘积，将所述乘积作为该标签对应的所述修正分值。

具体的，可以根据以下公式分别计算每种标签对应的修正分值：

S′(L_i)＝S(L_i)*max(L_i)/max(v)

式中，S′(L_i)表示标签L_i对应的修正分值；S(L_i)表示标签L_i对应的归一化权重；max(L_i)表示标签L_i对应的特征分值的最大值；max(v)表示待推荐视频对应的各标签的归一化权重的最大值。本实施例中，符号“*”表示乘号。

需要说明的是，由于归一化权重的最大值通常为1。因此，作为一种具体的实施方式，上述计算每种标签对应的修正分值的公式也可以为：

S′(L_i)＝S(L_i)*max(L_i)

当然，在本发明的其他实施例中，根据每种所述标签对应的所述权重以及所述特征分值得到每种所述标签对应的修正分值的实施方式可以为：根据每种所述标签对应的权重以及所述特征分值的最大值，得到每种所述标签对应的修正分值。具体来讲，就是不对每种标签对应的权重进行归一化，根据公式S″(L_i)＝S₀(L_i)*max(L_i)/max₀(v)得到每种标签对应的修正分值S″(L_i)。其中，S₀(L_i)表示标签L_i对应的权重，max(L_i)表示标签L_i对应的特征分值的最大值，max₀(v)表示待推荐视频对应的各标签的权重的最大值。

作为另一种实施方式，上述根据每种所述标签对应的所述权重以及所述特征分值得到每种所述标签对应的修正分值的步骤，也可以包括：获取各个所述标签对应的所述权重的最大值；通过所述权重的最大值以及每种所述标签对应的特征分值对该标签对应的权重进行修正，得到该标签对应的修正分值。

例如，步骤S101中的待推荐视频A对应的标签为L₁、L₂和L₃，标签L₁对应的权重为S₀(L₁)，标签L₂对应的权重为S₀(L₂)，标签L₃对应的权重为S₀(L₃)，标签L₁、标签L₂、标签L₃对应的特征分值分别为U₁、U₂和U₃。假设S₀(L₁)为标签L₁、L₂和L₃对应的权重的最大值。此时，可以根据以下公式：

S″′(L_i)＝S₀(L_i)*U_i/max₀(v)

得到待推荐视频的每种标签对应的修正分值S″′(L_i)。其中，S₀(L_i)表示标签L_i对应的权重，max₀(v)表示待推荐视频对应的各标签的权重的最大值，U_i表示标签L_i对应的特征分值。

步骤S105，将所述待推荐视频推荐到所述目标标签下。

将待推荐视频推荐到目标标签对应的推荐场景中。例如，应用场景为直播平台，目标标签为“舞蹈”，则将待推荐视频推荐到“舞蹈”分类下。

为了更清楚地说明本发明提供的视频推荐方法，下面将以一种具体的应用场景为示例，对本发明一实施例提供的视频推荐方法进行说明。

假设待推荐的短视频A根据词重要性算法得到了标签L₁、L₂和L₃，且标签L₁对应的权重为0.6，标签L₂对应的权重为0.4，标签L₃对应的权重为0.2。经过归一化后S(L_i)的值分别为1、2/3、1/3。假设与短视频A一起参与试投的视频还包括待推荐的短视频B和短视频C，且短视频A在L₁、L₂和L₃标签下的特征分值分别为0.4、0.1、0.1，短视频B在L₁、L₂和L₃标签下的特征分值分别为0.5、0.2、0.1，短视频C在L₁、L₂和L₃标签下的特征分值分别为0.2、0.1、0.5。相应地，特征分值的最大值分别为：max(L₁)＝0.5，max(L₂)＝0.2，max(L₃)＝0.5。因此，短视频A对应的各标签的修正分值分别为：

由此可以得出，标签L₁对应的修正分值最高。因此，可以将短视频A推荐到标签L₁对应的推荐场景下。

综上所述，本发明实施例提供的视频推荐方法，先获取待推荐视频对应的标签以及每种标签对应的权重，然后按照预设试投规则将待推荐视频分别试投到每种标签下，从而得到每种标签下用户对待推荐视频的点击率，接着，根据所得到的点击率以及预设算法得到每种标签对应的特征分值，再根据每种标签对应的权重以及特征分值确定目标标签，进而将待推荐视频推荐到所确定的目标标签下。相比于现有技术，结合每种标签对应的权重以及根据试投结果得到的特征分值来确定目标标签，能够更准确地确定待推荐视频所属标签，从而将待推荐视频推荐到合适的场景，达到更好的推荐效果，有利于用户及时找到最感兴趣的内容。解决了将新发布的视频及时推荐到一个合适场景的问题。

请参见图7，本发明的第二实施例提供了一种视频推荐装置，运行于上述的服务器中，用于执行上述第一实施例提供的视频推荐方法。如图7所示，所述视频推荐装置包括：获取模块701、试投模块702、特征分值计算模块703、目标标签确定模块704和推荐模块705。

获取模块701，用于获取待推荐视频对应的标签以及每种所述标签对应的权重；

试投模块702，用于按照预设试投规则将所述待推荐视频分别试投到每种所述标签下，得到每种所述标签下用户对所述待推荐视频的点击率；

特征分值计算模块703，用于根据所述点击率以及预设算法得到每种所述标签对应的特征分值；

目标标签确定模块704，用于根据每种所述标签对应的所述权重以及所述特征分值确定目标标签；

推荐模块705，用于将所述待推荐视频推荐到所述目标标签下。

作为一种可选的实施例，所述目标标签确定模块704包括：修正分值计算子模块和确定子模块。修正分值计算子模块，用于根据每种所述标签对应的所述权重以及所述特征分值得到每种所述标签对应的修正分值。确定子模块，用于将所述修正分值最大的标签作为所述目标标签。

作为一种可选的实施例，所述修正分值计算子模块具体用于：对每种所述标签对应的所述权重进行归一化，得到每种所述标签对应的归一化权重；获取每种所述标签下参与所述试投的待推荐视频的特征分值的最大值；根据每种所述标签对应的归一化权重以及所述特征分值的最大值，得到每种所述标签对应的修正分值。

作为一种可选的实施例，所述特征分值计算模块703包括：次数获取子模块和计算子模块。次数获取子模块，用于获取所述待推荐视频在每种所述标签下的试投次数。计算子模块，用于根据所述点击率、所述试投次数以及预设算法得到每种所述标签对应的特征分值。

作为一种可选的实施例，所述获取模块701包括：标题获取子模块和处理子模块。标题获取子模块，用于获取所述待推荐视频的标题。处理子模块，用于对所述标题进行分词处理，根据词重要性算法对所述标题的分词进行处理，得到所述待推荐视频对应的标签以及每个所述标签对应的权重。

需要说明的是，本发明实施例所提供的视频推荐装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

本发明第三实施例提供了一种服务器，包括处理器和存储器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时使所述服务器执行以下操作：

获取待推荐视频对应的标签以及每种所述标签对应的权重；

按照预设试投规则将所述待推荐视频分别试投到每种所述标签下，得到每种所述标签下用户对所述待推荐视频的点击率；

根据所述点击率以及预设算法得到每种所述标签对应的特征分值；

根据每种所述标签对应的所述权重以及所述特征分值确定目标标签；

将所述待推荐视频推荐到所述目标标签下。

本发明第四实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法实施例的步骤。本发明第二实施例中的所述的视频推荐装置集成的功能单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述第一实施例的视频推荐方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

Claims (7)

1.一种视频推荐方法，其特征在于，所述方法包括：

获取待推荐视频对应的标签以及每种所述标签对应的权重；

按照预设试投规则将所述待推荐视频分别试投到每种所述标签下，得到每种所述标签下用户对所述待推荐视频的点击率；

根据所述点击率以及预设算法得到每种所述标签对应的特征分值；

根据每种所述标签对应的所述权重以及所述特征分值确定目标标签，包括：对每种所述标签对应的所述权重进行归一化，得到每种所述标签对应的归一化权重，获取每种所述标签下参与所述试投的待推荐视频的特征分值的最大值，根据每种所述标签对应的归一化权重以及所述特征分值的最大值，得到每种所述标签对应的修正分值，将所述修正分值最大的标签作为所述目标标签；

将所述待推荐视频推荐到所述目标标签下。

2.如权利要求1所述的方法，其特征在于，所述根据每种所述标签对应的归一化权重以及所述特征分值的最大值，得到每种所述标签对应的修正分值的步骤，包括：

获取每种所述标签对应的归一化权重与该标签对应的所述特征分值的最大值之间的乘积，将所述乘积作为该标签对应的所述修正分值。

3.如权利要求1所述的方法，其特征在于，所述根据所述点击率以及预设算法得到每种所述标签对应的特征分值的步骤，包括：

获取所述待推荐视频在每种所述标签下的试投次数；

根据所述点击率、所述试投次数以及预设算法得到每种所述标签对应的特征分值。

4.如权利要求1所述的方法，其特征在于，所述获取待推荐视频对应的标签以及每种所述标签对应的权重的步骤，包括：

获取所述待推荐视频的标题；

对所述标题进行分词处理，根据词重要性算法对所述标题的分词进行处理，得到所述待推荐视频对应的标签以及每个所述标签对应的权重。

5.一种视频推荐装置，其特征在于，所述装置包括：

获取模块，用于获取待推荐视频对应的标签以及每种所述标签对应的权重；

试投模块，用于按照预设试投规则将所述待推荐视频分别试投到每种所述标签下，得到每种所述标签下用户对所述待推荐视频的点击率；

特征分值计算模块，用于根据所述点击率以及预设算法得到每种所述标签对应的特征分值；

目标标签确定模块，用于根据每种所述标签对应的所述权重以及所述特征分值确定目标标签，包括：对每种所述标签对应的所述权重进行归一化，得到每种所述标签对应的归一化权重，获取每种所述标签下参与所述试投的待推荐视频的特征分值的最大值，根据每种所述标签对应的归一化权重以及所述特征分值的最大值，得到每种所述标签对应的修正分值，将所述修正分值最大的标签作为所述目标标签；

推荐模块，用于将所述待推荐视频推荐到所述目标标签下。

6.一种服务器，其特征在于，包括处理器和存储器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时使所述服务器执行以下操作：

获取待推荐视频对应的标签以及每种所述标签对应的权重；

按照预设试投规则将所述待推荐视频分别试投到每种所述标签下，得到每种所述标签下用户对所述待推荐视频的点击率；

根据所述点击率以及预设算法得到每种所述标签对应的特征分值；

根据每种所述标签对应的所述权重以及所述特征分值确定目标标签，包括：对每种所述标签对应的所述权重进行归一化，得到每种所述标签对应的归一化权重，获取每种所述标签下参与所述试投的待推荐视频的特征分值的最大值，根据每种所述标签对应的归一化权重以及所述特征分值的最大值，得到每种所述标签对应的修正分值，将所述修正分值最大的标签作为所述目标标签；

将所述待推荐视频推荐到所述目标标签下。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4中任一项所述方法的步骤。

Images